演算法的二義性
⑴ 演算法的五大特性是什麼
輸入：在演算法中可以有零個或者多個輸入。
輸出：在演算法中至少有一個或者多個輸出。
有窮行：在執行有限的步驟之後，自動結束不會出現無限循環並且每一個步驟在可接受的時間內完成。
確定性：演算法的每一個步驟都具有確定的含義，不會出現二義性。
可行性：演算法的每一步都必須是可行的，也就是說，每一步都能夠通過執行有限的次數完成。
⑵ 計算機演算法的特性包括
1.輸入：在演算法中可以有零個或者多個輸入
2.輸出：在演算法中至少有一個或者多個輸出
3.有窮行：在執行有限的步驟之後，自動結束不會出現無限循環並且每一個步驟在
可接受的時間內完成
4.確定性：演算法的每一個步驟都具有確定的含義，不會出現二義性
5.可行性：演算法的每一步都必須是可行的，也就是說，每一步都能夠通過執行有限
的次數完成
⑶ 評價演算法的四個標準是什麼
評價演算法的四個標准：
1.正確性
能正確地實現預定的功能，滿足具體問題的需要。處理數據使用的演算法是否得當，能不能得到預想的結果。
2.易讀性
易於閱讀、理解和交流，便於調試、修改和擴充。寫出的演算法，能不能讓別人看明白，能不能讓別人明白演算法的邏輯？如果通俗易懂，在系統調試和修改或者功能擴充的時候，使系統維護更為便捷。
3.健壯性
輸入非法數據，演算法也能適當地做出反應後進行處理，不會產生預料不到的運行結果。數據的形式多種多樣，演算法可能面臨著接受各種各樣的數據，當演算法接收到不適合演算法處理的數據，演算法本身該如何處理呢？如果演算法能夠處理異常數據，處理能力越強，健壯性越好。
4.時空性
演算法的時空性是該演算法的時間性能和空間性能。主要是說演算法在執行過程中的時間長短和空間佔用多少問題。
演算法處理數據過程中，不同的演算法耗費的時間和內存空間是不同的。
(3)演算法的二義性擴展閱讀：
演算法是對特定問題求解步驟的一種描述，它是指令的有限序列，其中每一條指令表示一個或多個操作。此外，一個演算法還具有下列5個重要的特性。
（1）、有窮性
一個演算法必須總是（對任何合法的輸入值）在執行有窮步之後結束，且每一步都可在有窮時間內完成。
（2）、確定性
演算法中每一條指令必須有明確的含義，讀者理解時不會產生二義性。即對於相同的輸入只能得到相同的輸出。
（3）、可行性
一個演算法是可行的，即演算法中描述的操作都是可以通過已經實現的基本運算執行有限次來實現的。
（4）、輸入
一個演算法有零個或多個的輸入，這些輸入取自於某個特定的對象的集合。
（5）、輸出
一個演算法有一個或多個的輸出，這些輸出是同輸入有著某種特定關系的量。
⑷ 二義性文法G
是二義性的。
二義性定義：「若對於一個文法的某一句子存在兩棵不同的語法樹，則該文法是二義性文法。」
在本例中，對於句子「abc」有2棵不同的語法樹：
S
|
------
| |
A c
|
ab
S
|
------
| |
a B
|
bc
因此這是二義性文法。
「若文法是二義性的，則在編譯時就會產生不確定性，遺憾的是在理論上已經證明：文法的二義性是不可判定的，即不可能構造出一個演算法，通過有限步驟來判定任一文法是否有二義性。
現在的解決辦法是：提出一些限制條件，稱為無二義性的充分條件，當文法滿足這些條件時，就可以判定文法是無二義性的。
由於無二義性文法比較簡單，我們也可以採用另一種解決辦法：即不改變二義性文法，而是確定一種編譯演算法，使該演算法滿足無二義性充分條件。」
在本例中，例如可以添加限制條件：Ac的優先順序高於aB，這樣可以消除二義性。
⑸ 演算法的重要特性有哪些呢
演算法的五個重要的特徵：確定性、可行性、輸入、輸出、有窮性/有限性。
演算法是解決「做什麼」和「怎麼做」的問題。解決一個問題可能有多種不同的演算法，從效率上考慮，其中最為核心的還是演算法的速度。因此，解決問題的步驟需要在有限的時間內完成，並且操作步驟中不可以有歧義性語句，以免後繼步驟無法繼續進行下去。通過對演算法概念的分析，可以總結出一個演算法必須滿足如下 5個特性。
（1）有窮性。一個演算法在執行有限步驟後，在有限時間內能夠實現的，就稱該演算法具有有窮性。
有的演算法在理論上滿足有窮性，在有限的步驟後能夠完成，但是計算機可能實際上會執行一天、一年、十年等等。演算法的核心就是速度，那麼這個演算法也就沒有意義了。總而言之，有窮性沒有特定的限度，取決於人們的需要。
（2）確定性。演算法中每一個步驟的表述都應該是確定的、沒有歧義的語句。在人們的日常生活中，遇到歧義性語句，可以根據常識、語境等理解，然而還有可能理解錯誤。計算機不比人腦，不會根據演算法的意義來揣測每一個步驟的意思，所以演算法的每一步都要有確定的含義。
（3）有零個或多個輸入。程序中的演算法和數據是相互聯系的。演算法中，需要輸入的是數據的量值。輸入可以是多個也可以是零個。其實，零個輸入並不是這個演算法沒有輸入，而是這個輸入沒有直觀地顯現出來，隱藏在演算法本身當中。
（4）有一個輸出或多個輸出。輸出就是演算法實現所得到的結果，是演算法經過數據加工處理後得到的結果。有的演算法輸出的是數值，有的是圖形，有的輸出並不是那麼顯而易見。沒有輸出的演算法是沒有意義的。
（5）可行性。演算法的可行性就是指每一個步驟都能夠有效地執行，並得到確定的結果，而且能夠用來方便地解決一類問題。
⑹ 簡述什麼是二義性文法
如果文法G中的某個句子存在不只一棵語法樹，則稱該句子是二義性的。如果文法含有二義性的句子，則稱該文法是二義性的。
二義性文法認為是一種語言語法的不完善說明，而且也應避免它。幸運的是，二義性文法在後面將介紹到的標准分析演算法的測試中總是失敗的，而且也開發出了標准技術體系來解決在程序設計語言中遇到的典型二義性。
(6)演算法的二義性擴展閱讀：
有兩個解決二義性的基本方法。其一是：設置一個規則，該規則可在每個二義性情況下指出哪一個分析樹（或語法樹）是正確的。
在兩結點之間，用一條有向邊加以連接 (如○m→○n，通常我們把結點m稱為結點n的直接前驅或父結點；而將結點n稱為結點m的直接後繼或子結點)，且具有如下的性質：
(1) 在這組結點中，有一個且僅有一個沒有任何前驅的結點，稱之為「根」；
(2) 除根之外，每一結點都恰好有一個直接前驅；
(3) 對於每一結點，都有一條從根到此結點的通路；
(4) 若一個結點有多個直接後繼，則按自左向右的順序進行排序。
⑺ c語言演算法中的五個特性是什麼
C語言中的演算法是指為解決某個特定問題而採取的確定且有限的步，主要的五個特性是：有窮性、確定性、可行性、有0個或多個輸入、有一個或多個輸出。
⑻ 為什麼說不存在一個可以判斷文法是否有二義性的演算法 如題
二義性是那些模稜兩可的語句產生的,所以不能用演算法消除 追問： 不是消除,是判斷 回答： 那也沒有判斷的,只能自己判斷,因為二義性它不是錯誤語句,不管怎樣它都能運行 追問： 難道不存在一個分析樹演算法,判斷是否有兩種分析樹? 回答： 說實話我真沒有見過有這種演算法
⑼ 以下屬於演算法基本特徵的是（）A有確切的含義 B可以沒有輸入 C必須有輸入數據 D可以有二義性
多選吧，A，B
演算法的基本特徵：可行性、確定性、有窮性、擁有足夠的情報（有一個或多個輸出、有 零個或多個輸入） 。
有窮性 ： 演算法必須在有限時間內完成，必須執行有限個步驟終止。
確定性： 演算法的每個步驟必須明確定義，不允許模稜兩可的理解，也不允許有多義性。
有零個或多個輸入： 所謂輸入是指在需要從外界取得必要的信息。一個演算法可以有多個輸入，也可沒有輸入。
有一個或多個輸出： 演算法的目的就是為了求解，「解」就是輸出
有效性： 演算法的每個步驟都能實現，演算法執行的結果能達到預期目的。
⑽ 計算機的演算法具有哪些特性
計算機的演算法具有可行性，有窮性、輸入輸出、確定性。
計算機演算法特點
1.有窮性。一個演算法應包含有限的操作步驟，而不能是無限的。事實上「有窮性」往往指「在合理的范圍之內」。如果讓計算機執行一個歷時1000年才結束的演算法，這雖然是有窮的，但超過了合理的限度，人們不把他視為有效演算法。
2. 確定性。演算法中的每一個步驟都應當是確定的，而不應當是含糊的、模稜兩可的。演算法中的每一個步驟應當不致被解釋成不同的含義，而應是十分明確的。也就是說，演算法的含義應當是唯一的，而不應當產生「歧義性」。
3. 有零個或多個輸入、所謂輸入是指在執行演算法是需要從外界取得必要的信息。
4. 有一個或多個輸出。演算法的目的是為了求解，沒有輸出的演算法是沒有意義的。
5.有效性。 演算法中的每一個 步驟都應當能有效的執行。並得到確定的結果。
拓展資料：
重要演算法
A*搜尋演算法
俗稱A星演算法。這是一種在圖形平面上，有多個節點的路徑，求出最低通過成本的演算法。常用於游戲中的NPC的移動計算，或線上游戲的BOT的移動計算上。該演算法像Dijkstra演算法一樣，可以找到一條最短路徑；也像BFS一樣，進行啟發式的搜索。
Beam Search
束搜索(beam search)方法是解決優化問題的一種啟發式方法，它是在分枝定界方法基礎上發展起來的，它使用啟發式方法估計k個最好的路徑，僅從這k個路徑出發向下搜索，即每一層只有滿意的結點會被保留，其它的結點則被永久拋棄，從而比分枝定界法能大大節省運行時間。束搜索於20 世紀70年代中期首先被應用於人工智慧領域,1976 年Lowerre在其稱為HARPY的語音識別系統中第一次使用了束搜索方法。他的目標是並行地搜索幾個潛在的最優決策路徑以減少回溯，並快速地獲得一個解。
二分取中查找演算法
一種在有序數組中查找某一特定元素的搜索演算法。搜索過程從數組的中間元素開始，如果中間元素正好是要查找的元素，則搜索過程結束；如果某一特定元素大於或者小於中間元素，則在數組大於或小於中間元素的那一半中查找，而且跟開始一樣從中間元素開始比較。這種搜索演算法每一次比較都使搜索范圍縮小一半。
Branch and bound
分支定界(branch and bound)演算法是一種在問題的解空間樹上搜索問題的解的方法。但與回溯演算法不同，分支定界演算法採用廣度優先或最小耗費優先的方法搜索解空間樹，並且，在分支定界演算法中，每一個活結點只有一次機會成為擴展結點。
數據壓縮
數據壓縮是通過減少計算機中所存儲數據或者通信傳播中數據的冗餘度，達到增大數據密度，最終使數據的存儲空間減少的技術。數據壓縮在文件存儲和分布式系統領域有著十分廣泛的應用。數據壓縮也代表著尺寸媒介容量的增大和網路帶寬的擴展。
Diffie–Hellman密鑰協商
Diffie–Hellman key exchange，簡稱「D–H」，是一種安全協議。它可以讓雙方在完全沒有對方任何預先信息的條件下通過不安全信道建立起一個密鑰。這個密鑰可以在後續的通訊中作為對稱密鑰來加密通訊內容。
Dijkstra』s 演算法
迪科斯徹演算法（Dijkstra）是由荷蘭計算機科學家艾茲格·迪科斯徹（Edsger Wybe Dijkstra）發明的。演算法解決的是有向圖中單個源點到其他頂點的最短路徑問題。舉例來說，如果圖中的頂點表示城市，而邊上的權重表示著城市間開車行經的距離，迪科斯徹演算法可以用來找到兩個城市之間的最短路徑。
動態規劃
動態規劃是一種在數學和計算機科學中使用的，用於求解包含重疊子問題的最優化問題的方法。其基本思想是，將原問題分解為相似的子問題，在求解的過程中通過子問題的解求出原問題的解。動態規劃的思想是多種演算法的基礎，被廣泛應用於計算機科學和工程領域。比較著名的應用實例有：求解最短路徑問題，背包問題，項目管理，網路流優化等。這里也有一篇文章說得比較詳細。
歐幾里得演算法
在數學中，輾轉相除法，又稱歐幾里得演算法，是求最大公約數的演算法。輾轉相除法首次出現於歐幾里得的《幾何原本》（第VII卷，命題i和ii）中，而在中國則可以追溯至東漢出現的《九章算術》。
最大期望（EM）演算法
在統計計算中，最大期望（EM）演算法是在概率（probabilistic）模型中尋找參數最大似然估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variable）。最大期望經常用在機器學習和計算機視覺的數據聚類（Data Clustering）領域。最大期望演算法經過兩個步驟交替進行計算，第一步是計算期望（E），利用對隱藏變數的現有估計值，計算其最大似然估計值；第二步是最大化（M），最大化在 E 步上求得的最大似然值來計算參數的值。M 步上找到的參數估計值被用於下一個 E 步計算中，這個過程不斷交替進行。
快速傅里葉變換(FFT)
快速傅里葉變換（Fast Fourier Transform，FFT），是離散傅里葉變換的快速演算法，也可用於計算離散傅里葉變換的逆變換。快速傅里葉變換有廣泛的應用，如數字信號處理、計算大整數乘法、求解偏微分方程等等。
哈希函數
HashFunction是一種從任何一種數據中創建小的數字「指紋」的方法。該函數將數據打亂混合，重新創建一個叫做散列值的指紋。散列值通常用來代表一個短的隨機字母和數字組成的字元串。好的散列函數在輸入域中很少出現散列沖突。在散列表和數據處理中，不抑制沖突來區別數據，會使得資料庫記錄更難找到。
堆排序
Heapsort是指利用堆積樹（堆）這種數據結構所設計的一種排序演算法。堆積樹是一個近似完全二叉樹的結構，並同時滿足堆積屬性：即子結點的鍵值或索引總是小於（或者大於）它的父結點。
歸並排序
Merge sort是建立在歸並操作上的一種有效的排序演算法。該演算法是採用分治法（Divide and Conquer）的一個非常典型的應用。
RANSAC 演算法
RANSAC 是」RANdom SAmpleConsensus」的縮寫。該演算法是用於從一組觀測數據中估計數學模型參數的迭代方法，由Fischler and Bolles在1981提出，它是一種非確定性演算法，因為它只能以一定的概率得到合理的結果，隨著迭代次數的增加，這種概率是增加的。該演算法的基本假設是觀測數據集中存在」inliers」（那些對模型參數估計起到支持作用的點）和」outliers」（不符合模型的點），並且這組觀測數據受到雜訊影響。RANSAC 假設給定一組」inliers」數據就能夠得到最優的符合這組點的模型。
RSA加密演演算法
這是一個公鑰加密演算法，也是世界上第一個適合用來做簽名的演算法。今天的RSA已經專利失效，其被廣泛地用於電子商務加密，大家都相信，只要密鑰足夠長，這個演算法就會是安全的。
並查集Union-find
並查集是一種樹型的數據結構，用於處理一些不相交集合（Disjoint Sets）的合並及查詢問題。常常在使用中以森林來表示。
Viterbi algorithm
尋找最可能的隱藏狀態序列(Finding most probable sequence of hidden states)。